CAM可视化

参考:原理分析-CAM模型可视化（可解释）_herr_kun的博客-CSDN博客_cam可视化

CAM以热力图的形式告诉了我们，模型是重点通过哪些像素确定这个图片是羊驼了。

一句话总结CAM方法：最后一层的卷积层的所有特征图，针对该层的每个特征图求出均值，最后对应特征图加权求和得到最终的热力图。直接看图pic1。

在最后一层卷积层（全连接层之前接上GAP)

从图中可以看到，经过GAP之后，我们得到了最后一个卷积层每个特征图的均值，通过加权和得到输出(实际中是softmax层的输入)。需要注意的是，对每一个类别C，每个特征图k的均值都有一个对应的，记为。CAM的基本结构就是这样了，下面就是和普通的CNN模型一样训练就可以了。训练完成后才是重头戏：我们如何得到一个用于解释分类结果的热力图呢？其实非常简单，比如说我们要解释为什么分类的结果是羊驼，我们把羊驼这个类别对应的所有取出来，求出它们与自己对应的特征图的加权和即可。由于这个结果的大小和特征图是一致的，我们需要对它进行上采样，叠加到原图上去，如下图pic1所示。(看懂下图是关键）

那么改进版的 Grad-CAM 是干什么的？

前面看到CAM的解释效果已经很不错了，但是它有一个致使伤，就是它要求修改原模型的结构，导致需要重新训练该模型，这大大限制了它的使用场景。如果模型已经上线了，或着训练的成本非常高，我们几乎是不可能为了它重新训练的。

于是乎，Grad-CAM横空出世，解决了这个问题。
Grad-CAM的基本思路和CAM是一致的，也是通过得到每对特征图对应的权重，最后求一个加权和。但是它与CAM的主要区别在于求权重的过程。CAM通过替换全连接层为GAP层，重新训练得到权重，而Grad-CAM另辟蹊径，用梯度的全局平均来计算权重。

事实上，经过严格的数学推导，Grad-CAM与CAM计算出来的权重是等价的。

Grad_CAM:基于每一个特征图有一个对应的全局权重

 LayerCAM:基于元素的，每一张特征图中每一个元素都有一个对应的权重